单元最短路径

时间序列工具箱 ，内含双谱，AR模型参数估计程序-time series toolbox containing Bispectrum, AR model parameter estimation procedures

用C++编写的多项式插值算法和有理函数插值算法！-prepared by the polynomial interpolation algorithm and rational function interpolation algorithm!

用于计算岩体结构面的法向密度，前提条件是知道优势结构面的产状，知道测线产状和长度，结构面与测线的交点数。程序用于简单的判断岩体的结构特征，并用于RQD值估算。

UserCF和ItemCF是协同过滤中最为古老的两种算法，在top-N的推荐上被广泛应用。这两个算法之所以重要，是因为他们使用了两个不同的推荐系统基本假设。UserCF认为一个人会喜欢和他有相同爱好的人喜欢的东西，而ItemCF认为一个人会喜欢和他以前喜欢的东西相似的东西。这两个假设都有其合理性。根据我的测试，用UserCF和ItemCF做出的推荐列表中，只有50%是一样的，还有50%完全不同。但是这两个算法确有相似的精度。所以说，这两个算法是很互补的。我一直认为这两个算法是推荐系统的根本，因为无论我们是用矩阵，还是用概率模型，我们都非常的依赖于前面说的两种假设。如果用户的行为不符合那两种假设，推荐系统就没必要存在了。因此我一直希望能够找出这两种算法的本质区别。他们有相似的精度，但是coverage相差很大，ItemCF coverage很大而UserCF很小。我还测试了很多其他指标，不过要从这些表象的指标差异找出这两个算法的本质区别还是非常困难。不过上周我基本发现了这两个算法推荐机理的本质区别。我们做如下假设。每个用户兴趣爱好都是广泛的，他们可能喜欢好几个领域的东西。不过每个用户肯定也有一个主要的领域，对这个领域会比其他领域更加关心。给定一个用户，假设他喜欢3个领域A,B,C，同时A是他喜欢的主要领域。这个时候我们来看UserCF和ItemCF倾向于做出什么推荐。结果如下，如果用UserCF, 它会将A,B,C三个领域中比较热门的东西推荐给用户。而如果用ItemCF，它会基本上只推荐A领域的东西给用户。因为UserCF只推荐热门的，所以UserCF在推荐长尾上能力不足。而ItemCF只推荐A领域给用户，这样他有限的推荐列表中就可能包含了一定数量的不热门item，所以ItemCF推荐长尾的能力比较强。不过ItemCF的推荐对某一个用户而言，显然多样性不足。但是对整个系统而言，因为不同的用户的主要兴趣点不同，所以系统的coverage会很大。显然上面的两种推荐都有其合理性，但都不是最好的选择，因此他们的精度也会有损失。最好的选择是，如果我们给这个用户推荐30个item，我们既不是每个领域挑选10个最热门的给他，也不是推荐30个A领域的给他，而是比如推荐15个A领域的给他，剩下的15个从B,C中选择。认识到这一

基于C#语言开发的数据转换，将Exele数据转换成.shp数据,在转换的过程中，需要将X/Y两坐标的位置互换。

线性最小二乘估计算法是应用最广泛的参数估计方法,它在理论研究和I:程应用中都具有重要的作用。后续发展起来的卡尔曼滤波参数估计算法同样也在这两方面起到很重要的作用。本章中对目标的运动建立较为简单的数学模型,并用最小二乘和卡尔曼滤波对其参量进行估计,经过拟 合推出目标轨迹。通过大量的仿真实验,验证卡尔曼滤波估计在目标跟踪定位系统中的定位跟踪效果要好于最小二乘估计。

用c语言对图像加椒盐噪声，然后对加有椒盐噪声的图像进行形态学滤波，得到滤波后没有噪声的图像-

  编写程序，在菜单列表框中选择多本图书，单击’提交’按钮,输出用户的选择值。初学者可以看下

伪随机数生成算法，很优秀，double 0-1-pseudo-random number generator algorithm, very good, double 0-1

内有5个常用算法，多变形游戏，活动按排，批处理，装载问题，全排列，是用c语言实现的-within five commonly used algorithm, deformation games, activities by arrangement, batch loading, full array, is the C Language